Dunia kecerdasan buatan dan machine learning terus berkembang dengan ditemukannya berbagai metode baru untuk menyelesaikan masalah kompleks yang sulit dipecahkan. Salah satu pendekatan yang kini mulai banyak dilirik oleh para peneliti adalah penggunaan algoritma optimasi numerik tingkat lanjut untuk berbagai skenario komputasi.
Related Stories
Suka dengan Artikel Ini?
Dapatkan lebih banyak cerita menarik dengan berlangganan newsletter kami. Gratis!
Subscribe →Di antara berbagai metode yang ada, Natural Evolution Strategy atau yang sering disingkat sebagai NES menjadi salah satu topik yang menarik perhatian. NES merupakan sebuah keluarga algoritma optimasi numerik yang dirancang khusus untuk menangani berbagai masalah yang dikategorikan sebagai black-box problem dalam bidang komputasi.
Secara prinsip kerja, metode ini memiliki kesamaan spirit dengan evolution strategies konvensional. Algoritma ini bekerja secara iteratif dengan memperbarui parameter kontinu dari suatu distribusi pencarian, dengan cara mengikuti arah gradien alami menuju tingkat fitness yang diharapkan lebih tinggi.
Prosedur umum dari NES dimulai dengan memanfaatkan distribusi pencarian berparameter untuk menghasilkan sekumpulan titik pencarian. Selanjutnya, fungsi fitness akan dievaluasi pada setiap titik tersebut untuk mengukur seberapa baik performa dari titik-titik sampel yang telah dihasilkan sebelumnya.
Parameter distribusi, termasuk di dalamnya parameter strategi, memungkinkan algoritma untuk secara adaptif menangkap struktur lokal dari fungsi fitness yang sedang diuji. Sebagai contoh pada penggunaan distribusi Gaussian, parameter ini mencakup nilai rata-rata serta matriks kovariansi yang krusial bagi keakuratan proses.
Dari sampel-sampel yang terkumpul, NES kemudian melakukan estimasi gradien pencarian pada parameter menuju ekspektasi fitness yang lebih tinggi. Langkah berikutnya adalah menjalankan proses gradient ascent sepanjang gradien alami yang merupakan metode orde kedua.
Penggunaan gradien alami ini dinilai sangat krusial karena perannya dalam menormalisasi pembaruan terhadap ketidakpastian, yang tidak dimiliki oleh gradien biasa. Langkah tersebut terbukti efektif mencegah terjadinya osilasi, konvergensi prematur, serta berbagai efek tidak diinginkan dari suatu parametrisasi.
Seluruh rangkaian proses ini akan terus diulang secara terus-menerus hingga kriteria penghentian yang telah ditentukan sebelumnya berhasil terpenuhi oleh sistem. Fleksibilitas inilah yang membuat NES dapat diterapkan secara luas dalam berbagai variasi masalah optimasi numerik yang menantang.